Zauber und Magie Lernen Weiße Magie und Schwarze Magie
Eine neue Studie hat herausgefunden, dass Hedgefonds mit dem höchsten Automatisierungsgrad diejenigen übertreffen, die sich mehr auf menschliches Engagement verlassen.
Während des untersuchten Zeitraums (2006 bis 2021) erzielten die KI-basierten Hedgefonds eine durchschnittliche Rendite von etwa 0,75 % pro Monat, gegenüber etwa 0,25 % pro Monat bei den von Menschen geführten Hedgefonds.
Die Studie mit dem Titel „Mensch gegen Maschine: Über künstliche Intelligenz und die Performance von Hedgefonds“ wurde von Forschern der Texas A&M University und der finnischen University of Vaas geschrieben. Es erschien am 22. April in der Zeitschrift Angewandte Wirtschaftslehre.
Was sind Hedgefonds?
Hedgefonds sind, wie die Autoren erklären, „gepoolte Investmentfonds, die Leerverkäufe, Leverage und Derivate tätigen, um die risikogesteuerte Leistung zu verbessern“.
Diese Mittel werden häufig von institutionellen Anlegern wie Pensionskassen und Universitätsstiftungen sowie von vermögenden Privatpersonen genutzt.
Ein Bericht aus dem Jahr 2020 ergab, dass die Gesamtsumme der von Hedgefonds weltweit verwalteten Vermögenswerte 3,87 Billionen US-Dollar beträgt, eine Zahl, die bis 2025 voraussichtlich auf 4,28 Billionen US-Dollar ansteigen wird.
Die Branche beschäftigt außerdem weltweit rund 18.000 Hedgefonds-Manager.
Automatisierung in der Hedgefonds-Branche
Trends in dieser zunehmend wettbewerbsintensiven Branche stellen eine große Herausforderung dar. Und dieser Wettbewerb veranlasst Hedgefonds, zunehmend auf technologische Vorteile zu setzen.
Obwohl computergestützte, automatisierte Handelssysteme seit vielen Jahrzehnten existieren, werden sie jedes Jahr immer ausgefeilter.
Die aktuelle Studie zielte darauf ab, herauszufinden, ob eine stärkere Kontrolle fortschrittlicher Handelsalgorithmen zu besseren Renditen führt und ob Hedgefonds schließlich zu einer „vollautomatisierten Entscheidungsfindung“ gelangen könnten.
Hedgefonds-Datenbank
Die Autoren stützten ihre Ergebnisse auf eine Datenbank, die Informationen zu Tausenden von Hedgefonds enthält. Diese riesige Datenquelle wird von einem in London ansässigen Unternehmen namens Preqin verwaltet, das sich auf die Bereitstellung von Finanzdaten spezialisiert hat.
Für die Zwecke dieser Studie haben die Autoren nur Hedgefonds einbezogen, die a) auf den nordamerikanischen Märkten tätig sind, b) auf US-Dollar lautende Renditen melden und c) sich hauptsächlich auf Aktien konzentrieren.
Sie schlossen auch alle Fonds aus, die der Datenbank keine Informationen über ihren Handelsstil zur Verfügung stellten.
Dies führte zu einer endgültigen Stichprobe von 826 Hedgefonds. Die Studie untersuchte die Fondsergebnisse aus 173 aufeinanderfolgenden Monaten, die sich von September 2006 bis Januar 2021 erstreckten.
Kategorisierung von Hedgefonds in Cluster
Die Autoren der Studie ordneten jeden dieser 826 Hedge-Fonds einer von vier Kategorien zu, abhängig vom „Grad der menschlichen Beteiligung des Fonds am Entscheidungsprozess“, wie die Autoren schreiben.
Diese vier Kategorien sind diskretionär, systematisch, kombiniert oder AIML (was für „künstliche Intelligenz und maschinelles Lernen“ steht).
Das Kategorisierungsverfahren basierte auf Daten aus der Preqin-Datenbank. Und diese Datenbank selbst basiert auf Informationen, die aus einer Reihe von Quellen stammen, darunter Open Data Warehouses, SEC-Offenlegungen und andere behördliche Einreichungen sowie Informationen, die von den Fonds selbst bereitgestellt werden.
Fast alle in der Datenbank enthaltenen Fonds geben an, dass sie einen bestimmten Handelsstil verwenden (z. B. systematisch, diskretionär oder kombiniert) und geben auch an, ob sie KI-Methoden in ihren Handelsstrategien verwenden.
Die vier Handelsstrategien erklärt
Die am wenigsten automatisierten der vier Fondskategorien sind die „diskretionären Fonds“, die sich hauptsächlich auf mechanische Handelsregeln stützen, die von Menschen ausgeführt werden.
Diese Fonds legen mehr Wert auf Manager im Allgemeinen, insbesondere auf ihre Professionalität und ihr Können.
Der am zweitwenigsten automatisierte Typ ist der „systematische Fonds“, der typischerweise einen ausgeklügelten quantitativen Rahmen auf der Grundlage statistischer Methoden verwendet.
Auf diese Klasse folgten „kombinierte Fonds“, die beispielsweise einen systematischen Handelsstil betonen, aber manuell auswählen, wann Trades geschlossen werden.
Und die am stärksten automatisierte der vier Hedgefonds-Kategorien sind die „AIML-Fonds“.
Wie die Autoren erklären, wird diesen KI-Fonds „einfach ein Input zusammen mit einem gewünschten Output gegeben, und das Modell selbst bestimmt über eine mathematische Funktion die beste Vorgehensweise.“
Von den 826 Fonds in der Stichprobe der Forscher identifizierten sie 36 als AIML-Fonds.
KI-basierte Hedgefonds erzielten die besten Ergebnisse
Die Autoren fanden heraus, dass die Hedgefonds mit dem höchsten Automatisierungsgrad (in Bezug auf den Einsatz von KI und maschinellem Lernen in ihrem Anlageprozess) die höchsten Renditen erzielen.
Diese Fonds erzielten eine durchschnittliche Rendite von 74 – 79 Basispunkten pro Monat (ein „Basispunkt“ ist ein Hundertstel Prozentpunkt, das entspricht in diesem Fall also einer durchschnittlichen monatlichen Rendite von 0,74 % – 0,79 %).
Im Gegensatz dazu betrug die durchschnittliche Rendite für die am wenigsten automatisierte Fondskategorie – die diskretionären Fonds – nur 0,23 – 0,28 Basispunkte, dh eine Differenz von etwa 0,5 % pro Monat im Vergleich zu den AIML-Fonds.
Insbesondere schreiben die Autoren, dass die Anwendung einer Strategie, die auf den KI-gesteuerten Fonds beruht, „statistisch signifikante durchschnittliche Auszahlungen im Bereich von 50 bis 56 Basispunkten pro Monat“ generiert.
Kombinierte Fonds schnitten am schlechtesten ab
Seltsamerweise stellten die Autoren auch fest, dass die sogenannten „kombinierten Fonds“ mit einem mittleren Grad an Automatisierung und menschlicher Beteiligung unter den vier Arten von Hedgefonds-Strategien am schlechtesten abschnitten.
„Wir schließen daraus, dass die Vermischung menschlicher Entscheidungsfindung mit automatisierten Prozessen schlechter ist, als sich überwiegend auf menschliche oder maschinelle Entscheidungsfindung zu verlassen“, schreiben sie. Dieses Rätsel bleibt der zukünftigen Forschung überlassen.“
Zusammenfassend stellten sie fest, dass die AIML-Fonds „im Vergleich zu Hedgefonds mit einem höheren Maß an menschlicher Beteiligung überlegene Durchschnittsrenditen erzielten“.
Die Autoren ergänzen, dass dies die erste ihnen bekannte Studie sei, die einen solchen Performance-Vergleich von Hedgefonds durchführe.
Lernen: „Mensch gegen Maschine: über künstliche Intelligenz und die Performance von Hedgefonds„
Autoren: Klaus Grobys, James W. Kolari und Joachim Niang
Veröffentlichungsdatum: 22. April 2022
Tagebuch: Angewandte Wirtschaftslehre
DOI: https://doi.org/10.1080/00036846.2022.2032585
Bild: von DepositPhotos